利用大數(shù)據(jù)提高區(qū)域經(jīng)濟預測和決策能力研究

摘要：本文采用Engle-Granger檢驗來探索南充市房價與以搜索指數(shù)為代表的大數(shù)據(jù)之間的關系。選取了2014年1月至2018年11月的房價數(shù)據(jù)，并利用相關系數(shù)大于0.5的百度指數(shù)構建搜索指數(shù)，從而對其進行實證檢驗。結果發(fā)現(xiàn)，南充市房價同搜索指數(shù)之間存在著協(xié)整關系，且其相關系數(shù)較大，說明大數(shù)據(jù)對于中小城市房價具有較強的預測。此外，還比較了不同的搜索指數(shù)構造方法，發(fā)現(xiàn)以相關系數(shù)為權重所構造的搜索指數(shù)表現(xiàn)更佳。

關鍵詞：大數(shù)據(jù);房價;Engle-Granger檢驗

一、引言

眾所周知，房價是政府宏觀經(jīng)濟調控的重要手段，房價的穩(wěn)定在一定程度上影響到經(jīng)濟的穩(wěn)增長。因此，國內(nèi)關于房價的研究文獻較多，（劉莉亞和蘇毅，2005）采用協(xié)整方法測算了上海房價的合理水平，并據(jù)此分析了上海房價失調的程度及原因;（張亞麗，2011）利用房地產(chǎn)價格決定模型得出當期實際人均可支配收入、預期收入和預期房地產(chǎn)收益率是房價持續(xù)上漲的主要因素的結論;（王文雯等，2014）以省級面板數(shù)據(jù)研究了人口結構、收入分配和經(jīng)濟政策等變量對房價的影響。綜上，關于房價的研究文獻大多集中在大中城市，而對于三四線城市的關注較少。然而就在去年，南充作為一座四線小城市突然受到央視財經(jīng)頻道《經(jīng)濟半小時》欄目報道，原因就在于南充的房價不到半年時間從5634元飆升至7285元，漲幅高達29.3%，居于全國的前列。那么，如何來分析和預測小城市房價的變化呢？

2009年，Nature雜志上刊登了一篇利用谷歌搜索日志來即時預測流感趨勢的文章，迅速引起了社會對于大數(shù)據(jù)的關注。近年來，人們不斷挖掘大數(shù)據(jù)背后蘊含的巨大潛力，將其運用于醫(yī)療、交通、商業(yè)推廣等各個領域，甚至形象地將其稱為“數(shù)字黃金”。而在學術界，大數(shù)據(jù)對于經(jīng)濟的預測能力也逐漸被放在突出位置。（張誼浩等，2014）發(fā)現(xiàn)網(wǎng)絡搜索能夠用于預測股票市場，從而構造投資組合獲得超額收益;（劉濤雄和徐曉飛，2015）通過比較政府統(tǒng)計的結構化數(shù)據(jù)和網(wǎng)絡搜索的非結構化數(shù)據(jù)，討論了能否利用互聯(lián)網(wǎng)搜索預測宏觀經(jīng)濟的問題;（王娜，2016）利用百度搜索指數(shù)和媒體指數(shù)證明大數(shù)據(jù)可以提高碳排放權預測的準確性。

由于大數(shù)據(jù)在經(jīng)濟領域具有較好的預測能力，本文嘗試探索大數(shù)據(jù)和房地產(chǎn)的關系，希望能夠為中小城市經(jīng)濟預測提供一種思路。

二、搜索指數(shù)對房價影響的理論分析

從經(jīng)濟學的角度而言，房屋也是一種商品，那么它的價格必然由其供需所決定。從供給來看，房屋的供給在很大程度上取決于土地的供給，而土地作為一種特殊的商品，是缺乏彈性的。因此，短期來看，房價主要受到房屋需求量的影響。而就房屋需求而言，消費者的需求主要包括投資需求和投機需求。其中，投資需求反映了消費者的剛需，受到經(jīng)濟基本面等因素的影響。而投機需求則取決于房屋的預期收益，如果預期房價收益率大于社會資本的一般收益率，則投機需求增加;反之，則投機需求下降。

網(wǎng)絡搜索是一種信息挖掘的手段，在獲取信息的同時也記錄下投資者的動態(tài)。投資者往往不會搜索與其無關或不感興趣的信息，對于特定關鍵詞的檢索實際上反映了投資者的關注和預期。例如，投資者搜索房貸利率，常常預示著該投資者在關注房地產(chǎn)市場，或者表明其有較強的房屋購買意愿。正是基于此，本文認為充分挖掘網(wǎng)絡搜索的信息，可以了解投資者的需求，從而預測未來房價的變化。但是，關于二者的影響機制，目前學術界還沒有公認的觀點，結合資產(chǎn)價格決定理論和行為經(jīng)濟學理論，本文提出如下的理論分析。

如圖1所示，網(wǎng)絡搜索實際上是投資者情緒和投資者關注的一種反應。當投資者情緒高漲時，對于資產(chǎn)的關注程度必然上漲，從而表現(xiàn)出較高的網(wǎng)絡搜索量;而當投資者情緒降低時，說明投資者對資產(chǎn)的興趣減弱，而投資者關注會伴隨降低，從而表現(xiàn)出較少的網(wǎng)絡搜索量。根據(jù)行為經(jīng)濟學的相關理論，投資者情緒和投資者關注是影響投資者偏好和決策的主要因素，而偏好和決策在一定程度上會引起需求的變化，從而造成價格的波動。具體而言，房地產(chǎn)市場上有投資者和投機者兩大購買方。當投資者情緒高漲、關注上升時，購買者常常做出預期未來房地產(chǎn)市場會有超額收益率的判斷，從而影響投資者偏好和決策。此時，投資者方表現(xiàn)為購買意愿會更加強烈，等待交易的時機會縮短，愿意付出的成本對價會更多，從而引起投資需求增加;而投機者表現(xiàn)為進入房屋市場的可能性增強，交易數(shù)量增多，交易方向多數(shù)為買人，從而引起投機需求的增加。因此，房屋市場的總體需求上漲。反之，當投資者情緒低迷、關注下降時，常常意味著預期未來房地產(chǎn)市場收益率下降的可能性增強，從而影響投資者偏好和決策。此時，投資者的購買意愿降低，等待交易的時機會延長，愿意付出的成本對價會減少，從而導致投資需求的降低;而投機者進入市場的可能性下降，交易數(shù)量減少，交易方向多為賣出，從而導致投資投機需求的減少。因此，房屋的總體需求下降。根據(jù)供求關系理論，短期房地產(chǎn)市場的供給不易變化，房屋需求的增加會導致房價的上漲，而需求的降低會引起房價的下跌。綜上所述，利用網(wǎng)絡搜索能夠預期未來房屋需求的變動，從而預測未來房價的變化。

三、實證檢驗

（一）數(shù)據(jù)的來源和變量的選取

1.房屋價格指數(shù)P。本文的原始房價數(shù)據(jù)來源于南充房產(chǎn)信息網(wǎng)，收集的是南充市市區(qū)（嘉陵、順慶、高坪）住宅商品房成交價的月度均值。將此數(shù)據(jù)和wind數(shù)據(jù)庫中的南充房屋月度基準數(shù)據(jù)進行比較，發(fā)現(xiàn)二者的相關性高達0.98，因此認為該數(shù)據(jù)準確、可靠。本文選取了2014年1月至2018年11月，共計59個月度數(shù)據(jù)，并將2014年1月的房屋價格設定為100，將數(shù)據(jù)進行同比處理得到房屋價格指數(shù)。

2.搜索指數(shù)的構建。借助國內(nèi)外已有參考文獻的經(jīng)驗，本文以百度指數(shù)代表投資者的網(wǎng)絡搜索數(shù)據(jù)。將搜索區(qū)域限制在南充地區(qū)，利用Python軟件爬取了2014年1月至2018年11月期間，與房價有關的14個關鍵詞的百度指數(shù)。所選取的關鍵詞都是與房價直接或間接相關的常用詞匯，包括房價、買房、買房注意事項、公積金、公積金查詢、存款利率、家裝、房產(chǎn)稅、房貸、房貸利率、房貸計算器、搜房網(wǎng)、裝修。為了同房價保持一致，先將得到的周度百度指數(shù)轉化為月度數(shù)據(jù)，再按照以下原則對數(shù)據(jù)進行標準化處理。

其中，SS代表處理后第i個關鍵詞在t時期的百度指數(shù);X代表第i個關鍵詞在t時期的百度指數(shù);n代表所選期間的月份個數(shù)。

得到標準化的百度指數(shù)后，計算各個關鍵詞與房價之間的相關系數(shù)，選取大于0.5的關鍵詞用于構造搜索指數(shù)，分別是房價SS（β=0.61）、房產(chǎn)稅SS（β=0.51）和房貸計算器SS（β=0.75）。

如表1所示，本文采用了兩種方法構造搜索指數(shù)，第一種是簡單算術平均的方法，第二種是以相關系數(shù)進行加權平均的方法。將得到的搜索指數(shù)同房價進行相關分析，發(fā)現(xiàn)前者的相關系數(shù)為0.74，而后者的相關系數(shù)為0.76。由于加權得到的搜索指數(shù)與房價之間的相關性更高，因此本文選擇SS作為搜索指數(shù)。

（二）模型設定

在上文中已經(jīng)通過理論分析了網(wǎng)絡搜索跟房地產(chǎn)價格之間可能存在的關系，這里將對其進行實證驗證。由于所選擇的變量都是非平穩(wěn)的，不能直接使用經(jīng)典線性回歸模型，所以本文采用Engle-Granger協(xié)整檢驗模型。如果模型結果表明存在著協(xié)整關系，則說明變量間存在長期均衡關系，則可以利用其相關關系進行預測。對房地產(chǎn)價格（P）和搜索指數(shù)（SS）進行協(xié)整檢驗，具體過程如下。

P=c+aSS（2）

e=P-P（3）

首先建立變量間的線性回歸方程（見等式2），然后得到被解釋變量真實值和預測值之間的離差數(shù)列e（見等式3）。此時，對e進行單位根檢驗，若結果平穩(wěn)，則說明變量之間存在協(xié)整關系;反之，則說明二者之間不存在協(xié)整關系。

（三）實證的結果與分析

1.ADF檢驗

對變量房價P和搜索指數(shù)SS進行單位根檢驗，得到表2中的結果。原時間序列在1%的顯著水平下均不能拒絕原假設，說明原數(shù)列非平穩(wěn)。而它們的一階差分序列d（P）、d（SS）檢驗值均明顯小于1%水平的臨界值（-2.61），說明變量P和SS為一階單整序列。

2.協(xié)整檢驗

由于房價P和搜索指數(shù)SS均為一階單整序列，為了判定其是否存在線性關系，利用EVIEWS 8軟件對其進行Engle-Granger檢驗，其結果如上圖所示。

在表3中，tau統(tǒng)計量的數(shù)值為-3.45，根據(jù)其求得的概率為4.79%;z統(tǒng)計量的數(shù)值為-18.91，其對應的概率為4.64%。說明兩個統(tǒng)計量在5%的顯著水平下均拒絕原假設，也即是P和SS存在協(xié)整關系。

既然房價P和搜索指數(shù)SS存在著協(xié)整關系，則說明二者具有長期均衡關系，那么可以利用搜索指數(shù)來建立房價模型。為了說明二者之間的關系，采用如下回歸模型。

其中，調整后的R=0.57，S.E=13.18，F(xiàn)=70，DW=0.59。

根據(jù)模型（4）的結果，說明搜索指數(shù)對房價存在著正向的影響，且影響程度較高，系數(shù)達到0.76。意味著搜索指數(shù)每變動1個單位，房價將隨之變動0.76個單位。又由于相關系數(shù)大于零，說明搜索指數(shù)上漲時房價將會上漲，搜索指數(shù)下降時房價隨之下降。因此，可以利用搜索指數(shù)的變化來預測未來房價的變化。

四、結論和啟示

通過前面的分析，本文主要得到以下結論。

1.大數(shù)據(jù)對于中小城市房價具有較強的預測能力。對房屋價格指數(shù)和搜索指數(shù)進行Engle-Granger檢驗，發(fā)現(xiàn)二者之間存在著協(xié)整關系，且其相關系數(shù)高達0.76，說明搜索指數(shù)對南充房價市場具有較強的預測能力。在一定程度上，這也說明了大數(shù)據(jù)對于區(qū)域經(jīng)濟預測和決策的重要作用。通過查看已有文獻，發(fā)現(xiàn)關于區(qū)域經(jīng)濟的研究多數(shù)集中在大中城市，原因就在于中小城市的經(jīng)濟統(tǒng)計數(shù)據(jù)較難獲取，這就阻礙了對于中小城市經(jīng)濟預測的可能性，同時影響了經(jīng)濟決策的制定和執(zhí)行。隨著大數(shù)據(jù)的出現(xiàn)，改變了中小城市數(shù)據(jù)難以獲取的現(xiàn)狀，能為預測和決策提供必要的數(shù)據(jù)支撐。因此，積極探索大數(shù)據(jù)對于中小城市區(qū)域經(jīng)濟的影響具有重要價值。本文僅僅以南充房地產(chǎn)市場作為大數(shù)據(jù)運用的一個方面，希望能夠借此充分挖掘大數(shù)據(jù)的潛力。

2.構建搜索指數(shù)，以相關系數(shù)為權重表現(xiàn)更佳。大數(shù)據(jù)的特點在于數(shù)量多、非結構化、信息冗雜，由于百度搜索引擎是國人常用的瀏覽器，而百度指數(shù)向大眾提供免費查詢個別關鍵詞網(wǎng)絡搜索量的功能。因此，本文選取百度指數(shù)來構建搜索指數(shù)。但是，與房價有關的關鍵詞很多，本文篩選相關系數(shù)大于0.5的關鍵詞進行指數(shù)構建，這樣在一定程度上對大數(shù)據(jù)的信息進行過濾。然后，在構建指數(shù)的過程中，分別比較了算術平均數(shù)和以相關系數(shù)為權重的加權平均數(shù)的構造方法，結果發(fā)現(xiàn)以加權平均數(shù)來構造權重的方法得到的搜索指數(shù)跟房價的相關性更大。因此，本文建議在利用大數(shù)據(jù)構建搜索指數(shù)時注重相關系數(shù)所帶來的權重影響。

參考文獻：

[1]王娜.基于大數(shù)據(jù)的碳價預[T].統(tǒng)計研究，2016，33（11）：56-62.

[2]秦磊，謝邦昌.谷歌流感趨勢的成功與失誤[J].統(tǒng)計研究，2016，33（2）：107-110.

[3]劉濤雄，徐曉飛.互聯(lián)網(wǎng)搜索行為能幫助我們預測宏觀經(jīng)濟嗎？[J].經(jīng)濟研究，2015，50（12）：68-83.

作者簡介：

弋微微，南充職業(yè)技術學院，四川南充。

①基金：2018年南充市社會科學研究“十三五”規(guī)劃項目，項目編號：NC2018C040。